Co znamená autoregresivní průměr?
Statistický model je autoregresivní, pokud předpovídá budoucí hodnoty založené na minulých hodnotách. Autoregresivní model by se například mohl snažit předpovídat budoucí ceny akcií na základě své minulé výkonnosti.
Klíč s sebou
- Autoregresivní modely předpovídají budoucí hodnoty založené na minulých hodnotách. V technické analýze se široce používají k předpovídání budoucích cen bezpečnosti. Autoregresivní modely implicitně předpokládají, že budoucnost bude připomínat minulost. Proto se mohou ukázat nepřesné za určitých tržních podmínek, jako jsou finanční krize nebo období rychlých technologických změn.
Porozumění autoregresivním modelům
Autoregresivní modely fungují za předpokladu, že minulé hodnoty mají vliv na současné hodnoty, což činí statistickou techniku oblíbenou pro analýzu přírody, ekonomiky a dalších procesů, které se v čase mění. Více regresních modelů předpovídá proměnnou pomocí lineární kombinace prediktorů, zatímco autoregresivní modely používají kombinaci minulých hodnot proměnné.
AR (1) autoregresivní proces je proces, ve kterém je aktuální hodnota založena na bezprostředně předcházející hodnotě, zatímco proces AR (2) je proces, ve kterém je aktuální hodnota založena na předchozích dvou hodnotách. Proces AR (0) se používá pro bílý šum a nemá žádnou závislost mezi podmínkami. Kromě těchto variací existuje také mnoho různých způsobů výpočtu koeficientů použitých v těchto výpočtech, například metoda nejmenších čtverců.
Tyto koncepty a techniky jsou používány technickými analytiky k předpovídání cen cenných papírů. Protože však autoregresivní modely zakládají své předpovědi pouze na minulých informacích, implicitně předpokládají, že základní síly, které ovlivnily minulé ceny, se v průběhu času nezmění. To může vést k překvapivým a nepřesným předpovědím, pokud se dotyčné základní síly ve skutečnosti mění, jako by se v průmyslu prošlo rychlou a bezprecedentní technologickou transformací.
Obchodníci však nadále upřesňují používání autoregresivních modelů pro účely prognózování. Skvělým příkladem je autoregresivní integrovaný klouzavý průměr (ARIMA), sofistikovaný autoregresivní model, který může při vytváření prognóz zohledňovat trendy, cykly, sezónnost, chyby a další nestatické typy dat.
Analytické přístupy
Ačkoli autoregresivní modely jsou spojeny s technickou analýzou, lze je také kombinovat s jinými přístupy k investování. Například investoři mohou pomocí fundamentální analýzy identifikovat přesvědčivou příležitost a poté pomocí technické analýzy identifikovat vstupní a výstupní body.
Příklad reálného světa autoregresivního modelu
Autoregresivní modely jsou založeny na předpokladu, že minulé hodnoty mají vliv na aktuální hodnoty. Například investor, který používá autoregresivní model k předpovídání cen akcií, by musel při rozhodování o tom, co nabídnout nebo přijmout pro cenný papír, předpokládat, že noví kupci a prodejci této akcie jsou ovlivňováni nedávnými tržními transakcemi.
Ačkoli tento předpoklad bude platit ve většině případů, není tomu tak vždy. Například v letech před finanční krizí v roce 2008 si většina investorů neuvědomovala rizika, která představují velká portfolia cenných papírů zajištěných hypotékami v držení mnoha finančních firem. V té době by investor používající autoregresivní model k předpovídání výkonnosti amerických finančních akcií měl dobrý důvod předpovídat pokračující trend stabilních nebo rostoucích cen akcií v tomto odvětví.
Jakmile se však veřejnost dozvěděla, že mnoha finančním institucím hrozí bezprostřední kolaps, investoři se najednou začali méně zajímat o nedávné ceny těchto akcií a mnohem více se zajímali o jejich podkladovou rizikovou expozici. Trh proto rychle přeceňoval finanční zásoby na mnohem nižší úroveň, což by zcela zmátlo autoregresivní model.
Je důležité si uvědomit, že v autoregresivním modelu ovlivní jednorázový šok hodnoty vypočtených proměnných nekonečně do budoucna. V dnešních autoregresivních modelech proto odkaz na finanční krizi přetrvává.
